Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /pt /api /schedulers /euler.md

mishig

7 days ago

preview code

download

raw

14.6 kB

# EulerDiscreteScheduler

O agendador Euler (Algoritmo 2) é do paper [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este é um agendador rápido que frequentemente gera bons resultados em 20-30 passos. O agendador é baseado na implementação original de [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) por [Katherine Crowson](https://github.com/crowsonkb/).

## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

```python
diffusers.EulerDiscreteScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: str = 'linear', trained_betas: numpy.ndarray | list[float] | None = None, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool | None = False, use_exponential_sigmas: bool | None = False, use_beta_sigmas: bool | None = False, sigma_min: float | None = None, sigma_max: float | None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

**Parâmetros:**

num_train_timesteps (`int`, padrão 1000) : O número de etapas de difusão para treinar o modelo.

beta_start (`float`, padrão 0.0001) : O valor inicial de `beta` para a inferência.
beta_end (`float`, padrão 0.02) : O valor final de `beta`.

beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, padrão `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do modelo. Escolha entre `"linear"`, `"scaled_linear"` ou `"squaredcos_cap_v2"`.
trained_betas (`np.ndarray`, *opcional*) : Passe um array de betas diretamente para o construtor para ignorar `beta_start` e `beta_end`.

prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, *optional*) : Prediction type of the scheduler function; can be `"epsilon"` (predicts the noise of the diffusion process), `"sample"` (directly predicts the noisy sample`) or `"v_prediction"` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper).

interpolation_type (`Literal["linear", "log_linear"]`, padrão `"linear"`, *opcional*) : O tipo de interpolação para calcular os sigmas intermediários nas etapas de remoção de ruído do agendador. Deve ser um dos valores `"linear"` ou `"log_linear"`.
use_karras_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar sigmas de Karras para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas são determinados de acordo com uma sequência de níveis de ruído {σi}.
use_exponential_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar sigmas exponenciais para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.
use_beta_sigmas (`bool`, *opcional*, padrão `False`) : Se deve usar betas sigmas para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para mais informações.
sigma_min (`float`, *opcional*) : O valor mínimo de sigma para o agendamento de ruído. Se não for fornecido, o padrão é a última sigma do agendamento.

sigma_max (`float`, *opcional*) : O valor máximo de sigma para o agendamento de ruído. Se não for fornecido, o padrão é o primeiro sigma do agendamento.
timestep_spacing (`Literal["linspace", "leading", "trailing"]`, padrão `"linspace"`) : A forma como os timesteps devem ser escalados. Consulte a Tabela 2 do [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para mais informações.

timestep_type (`Literal["discrete", "continuous"]`, padrão `"discrete"`) : O tipo de timesteps a ser usado. Pode ser `"discrete"` ou `"continuous"`.
steps_offset (`int`, padrão 0) : Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.

rescale_betas_zero_snr (`bool`, padrão `False`) : Se deve reescalar os betas para ter SNR terminal zero. Isso permite que o modelo gere amostras muito claras e escuras, em vez de limitá-lo a amostras com brilho médio. Relacionado de forma solta a [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).
final_sigmas_type (`Literal["zero", "sigma_min"]`, padrão `"zero"`) : O valor final de `sigma` para o cronograma de ruído durante o processo de amostragem. Se `"sigma_min"`, o sigma final é o mesmo que o último sigma no cronograma de treinamento. Se `"zero"`, o sigma final é definido como 0.
Euler scheduler.
Este modelo herda de [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) e [ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin). Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os agendadores, como carregamento e salvamento.
#### add_noise[[diffusers.EulerDiscreteScheduler.add_noise]]
```python
add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)
**Parâmetros:**
original_samples (`torch.Tensor`) : As amostras originais às quais o ruído será adicionado.

noise (`torch.Tensor`) : O tensor de ruído a ser adicionado às amostras originais.

timesteps (`torch.Tensor`) : Os passos de tempo nos quais adicionar ruído, determinando o nível de ruído a partir da agenda.

**Retorna:** `torch.Tensor`

As amostras ruidosas com ruído adicionado, escalado de acordo com a agenda de passos temporais.

Adicione ruído às amostras originais de acordo com o agendamento de ruído nos timesteps especificados.

#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

```python
get_velocity(sample: Tensor, noise: Tensor, timesteps: Tensor)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

**Parâmetros:**

sample (`torch.Tensor`) : A amostra de entrada para a qual a velocidade deve ser calculada.

noise (`torch.Tensor`) : O tensor de ruído correspondente à amostra.

timesteps (`torch.Tensor`) : Os timesteps nos quais calcular a velocidade.

**Retorna:** `torch.Tensor`

A previsão de velocidade calculada como `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

Calcule a previsão de velocidade para a amostra e o ruído dados nos timesteps especificados.

Este método implementa a previsão de velocidade usada em modelos de v-prediction, que prevê uma combinação linear da amostra e do ruído.

#### index_for_timestep[[diffusers.EulerDiscreteScheduler.index_for_timestep]]

```python
index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L640)

**Parâmetros:**

timestep (`float` ou `torch.Tensor`) : O valor do timestep a ser encontrado no schedule.

schedule_timesteps (`torch.Tensor`, *opcional*) : O cronograma de passos de tempo a ser pesquisado. Se `None`, usa `self.timesteps`.
**Retorna:** `int`
O índice do timestep no schedule. Para o primeiro passo, retorna o segundo índice se existirem múltiplas correspondências, a fim de evitar pular um sigma ao iniciar no meio do schedule (por exemplo, para image-to-image).
Encontre o índice de um timestep específico na agenda de timesteps.
#### scale_model_input[[diffusers.EulerDiscreteScheduler.scale_model_input]]
```python
scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L326)
**Parâmetros:**
sample (`torch.Tensor`) : A amostra de entrada a ser escalada.
timestep (`float` ou `torch.Tensor`) : O timestep atual na cadeia de difusão.
**Retorna:** `torch.Tensor`
Uma amostra de entrada escalonada, dividida por `(sigma**2 + 1) ** 0.5`.
Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual. Escala a entrada do modelo de desruidamento por `(sigma**2 + 1) ** 0.5` para corresponder ao algoritmo Euler.
#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]
```python
set_begin_index(begin_index: int = 0)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)
**Parâmetros:**
begin_index (`int`, padrão `0`) : O índice inicial para o agendador.
Define o índice inicial para o agendador. Esta função deve ser executada a partir do pipeline antes da inferência.
#### set_timesteps[[diffusers.EulerDiscreteScheduler.set_timesteps]]
```python
set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, timesteps: list[int] | None = None, sigmas: list[float] | None = None)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)
**Parâmetros:**
num_inference_steps (`int`, *opcional*) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado. Se `None`, `timesteps` ou `sigmas` devem ser fornecidos.
device (`str` ou `torch.device`, *opcional*) : O dispositivo para o qual os timesteps devem ser movidos. Se `None`, os timesteps não são movidos.
timesteps (`list[int]`, *opcional*) : Timesteps personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps serão gerados com base no atributo `timestep_spacing`. Se `timesteps` for passado, `num_inference_steps` e `sigmas` devem ser `None`, e o atributo `timestep_spacing` será ignorado.
sigmas (`list[float]`, *opcional*) : Sigmas personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps e sigmas serão gerados com base nos atributos relevantes do agendador. Se `sigmas` for passado, `num_inference_steps` e `timesteps` devem ser `None`, e os timesteps serão gerados com base no agendamento de sigmas personalizado.
Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).
#### etapa[[diffusers.EulerDiscreteScheduler.step]]
```python
step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)
```
[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)
**Parâmetros:**
model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

timestep (`float` ou `torch.Tensor`) : O passo de tempo discreto atual na cadeia de difusão.

sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

s_churn (`float`, *opcional*, padrão `0.0`) : Parâmetro de estocasticidade que controla a quantidade de ruído adicionado durante a amostragem. Valores maiores aumentam a aleatoriedade.
s_tmin (`float`, *opcional*, padrão `0.0`) : Limite mínimo de timestep para aplicar estocasticidade. Somente timesteps acima deste valor terão ruído adicionado.

s_tmax (`float`, *opcional*, padrão `inf`) : Limite máximo de timestep para aplicar estocasticidade. Somente timesteps abaixo desse valor terão ruído adicionado.
s_noise (`float`, *opcional*, padrão `1.0`) : Fator de escala para o ruído adicionado à amostra.

generator (`torch.Generator`, *opcional*) : Um gerador de números aleatórios para amostragem reprodutível.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) ou uma tupla.
**Retorna:** [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) ou `tuple`
Se `return_dict` for `True`, [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor da amostra e o segundo elemento é a amostra original prevista.

Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga o processo de difusão a partir das saídas do modelo aprendido (na maioria das vezes, o ruído previsto).

## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

```python
diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

**Parâmetros:**

prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : Amostra calculada `(x_{t-1})` do passo anterior. `prev_sample` deve ser usado como entrada do próximo modelo no loop de remoção de ruído.
pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : A amostra desrujida prevista `(x_{0})` com base na saída do modelo do timestep atual. `pred_original_sample` pode ser usado para visualizar o progresso ou para orientação.

Classe de saída para a saída da função `step` do agendador.

Xet Storage Details

Size:: 14.6 kB
Xet hash:: b91dcbd5b9d42a2050455ba7f5709601557ec80ad05e2102c052dd4dfb544af7

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# EulerDiscreteScheduler

	O agendador Euler (Algoritmo 2) é do paper [Elucidating the Design Space of Diffusion-Based Generative Models](https://huggingface.co/papers/2206.00364) de Karras et al. Este é um agendador rápido que frequentemente gera bons resultados em 20-30 passos. O agendador é baseado na implementação original de [k-diffusion](https://github.com/crowsonkb/k-diffusion/blob/481677d114f6ea445aa009cf5bd7a9cdee909e47/k_diffusion/sampling.py#L51) por [Katherine Crowson](https://github.com/crowsonkb/).

	## EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	#### diffusers.EulerDiscreteScheduler[[diffusers.EulerDiscreteScheduler]]

	```python
	diffusers.EulerDiscreteScheduler(num_train_timesteps: int = 1000, beta_start: float = 0.0001, beta_end: float = 0.02, beta_schedule: str = 'linear', trained_betas: numpy.ndarray \| list[float] \| None = None, prediction_type: str = 'epsilon', interpolation_type: str = 'linear', use_karras_sigmas: bool \| None = False, use_exponential_sigmas: bool \| None = False, use_beta_sigmas: bool \| None = False, sigma_min: float \| None = None, sigma_max: float \| None = None, timestep_spacing: typing.Literal['linspace', 'leading', 'trailing'] = 'linspace', timestep_type: typing.Literal['discrete', 'continuous'] = 'discrete', steps_offset: int = 0, rescale_betas_zero_snr: bool = False, final_sigmas_type: typing.Literal['zero', 'sigma_min'] = 'zero')
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L143)

	Parâmetros:

	num_train_timesteps (`int`, padrão 1000) : O número de etapas de difusão para treinar o modelo.

	beta_start (`float`, padrão 0.0001) : O valor inicial de `beta` para a inferência.

	beta_end (`float`, padrão 0.02) : O valor final de `beta`.

	beta_schedule (`Literal["linear", "scaled_linear", "squaredcos_cap_v2"]`, padrão `"linear"`) : O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o avanço do modelo. Escolha entre `"linear"`, `"scaled_linear"` ou `"squaredcos_cap_v2"`.

	trained_betas (`np.ndarray`, opcional) : Passe um array de betas diretamente para o construtor para ignorar `beta_start` e `beta_end`.

	prediction_type (`Literal["epsilon", "sample", "v_prediction"]`, defaults to `"epsilon"`, optional) : Prediction type of the scheduler function; can be `"epsilon"` (predicts the noise of the diffusion process), `"sample"` (directly predicts the noisy sample`) or `"v_prediction"` (see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper).

	interpolation_type (`Literal["linear", "log_linear"]`, padrão `"linear"`, opcional) : O tipo de interpolação para calcular os sigmas intermediários nas etapas de remoção de ruído do agendador. Deve ser um dos valores `"linear"` ou `"log_linear"`.

	use_karras_sigmas (`bool`, opcional, padrão `False`) : Se deve usar sigmas de Karras para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Se `True`, os sigmas são determinados de acordo com uma sequência de níveis de ruído {σi}.

	use_exponential_sigmas (`bool`, opcional, padrão `False`) : Se deve usar sigmas exponenciais para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.

	use_beta_sigmas (`bool`, opcional, padrão `False`) : Se deve usar betas sigmas para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Consulte [Beta Sampling is All You Need](https://huggingface.co/papers/2407.12173) para mais informações.

	sigma_min (`float`, opcional) : O valor mínimo de sigma para o agendamento de ruído. Se não for fornecido, o padrão é a última sigma do agendamento.

	sigma_max (`float`, opcional) : O valor máximo de sigma para o agendamento de ruído. Se não for fornecido, o padrão é o primeiro sigma do agendamento.

	timestep_spacing (`Literal["linspace", "leading", "trailing"]`, padrão `"linspace"`) : A forma como os timesteps devem ser escalados. Consulte a Tabela 2 do [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) para mais informações.

	timestep_type (`Literal["discrete", "continuous"]`, padrão `"discrete"`) : O tipo de timesteps a ser usado. Pode ser `"discrete"` ou `"continuous"`.

	steps_offset (`int`, padrão 0) : Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.

	rescale_betas_zero_snr (`bool`, padrão `False`) : Se deve reescalar os betas para ter SNR terminal zero. Isso permite que o modelo gere amostras muito claras e escuras, em vez de limitá-lo a amostras com brilho médio. Relacionado de forma solta a [`--offset_noise`](https://github.com/huggingface/diffusers/blob/74fd735eb073eb1d774b1ab4154a0876eb82f055/examples/dreambooth/train_dreambooth.py#L506).

	final_sigmas_type (`Literal["zero", "sigma_min"]`, padrão `"zero"`) : O valor final de `sigma` para o cronograma de ruído durante o processo de amostragem. Se `"sigma_min"`, o sigma final é o mesmo que o último sigma no cronograma de treinamento. Se `"zero"`, o sigma final é definido como 0.

	Euler scheduler.

	Este modelo herda de [SchedulerMixin](/docs/diffusers/main/pt/api/schedulers/overview#diffusers.SchedulerMixin) e [ConfigMixin](/docs/diffusers/main/pt/api/configuration#diffusers.ConfigMixin). Consulte a documentação da superclasse para os métodos genéricos que a biblioteca implementa para todos os agendadores, como carregamento e salvamento.

	#### add_noise[[diffusers.EulerDiscreteScheduler.add_noise]]

	```python
	add_noise(original_samples: Tensor, noise: Tensor, timesteps: Tensor)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L802)

	Parâmetros:

	original_samples (`torch.Tensor`) : As amostras originais às quais o ruído será adicionado.

	noise (`torch.Tensor`) : O tensor de ruído a ser adicionado às amostras originais.

	timesteps (`torch.Tensor`) : Os passos de tempo nos quais adicionar ruído, determinando o nível de ruído a partir da agenda.

	Retorna: `torch.Tensor`

	As amostras ruidosas com ruído adicionado, escalado de acordo com a agenda de passos temporais.

	Adicione ruído às amostras originais de acordo com o agendamento de ruído nos timesteps especificados.

	#### get_velocity[[diffusers.EulerDiscreteScheduler.get_velocity]]

	```python
	get_velocity(sample: Tensor, noise: Tensor, timesteps: Tensor)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L850)

	Parâmetros:

	sample (`torch.Tensor`) : A amostra de entrada para a qual a velocidade deve ser calculada.

	noise (`torch.Tensor`) : O tensor de ruído correspondente à amostra.

	timesteps (`torch.Tensor`) : Os timesteps nos quais calcular a velocidade.

	Retorna: `torch.Tensor`

	A previsão de velocidade calculada como `sqrt(alpha_prod) * noise - sqrt(1 - alpha_prod) * sample`.

	Calcule a previsão de velocidade para a amostra e o ruído dados nos timesteps especificados.

	Este método implementa a previsão de velocidade usada em modelos de v-prediction, que prevê uma combinação linear da amostra e do ruído.

	#### index_for_timestep[[diffusers.EulerDiscreteScheduler.index_for_timestep]]

	```python
	index_for_timestep(timestep: typing.Union[float, torch.Tensor], schedule_timesteps: typing.Optional[torch.Tensor] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L640)

	Parâmetros:

	timestep (`float` ou `torch.Tensor`) : O valor do timestep a ser encontrado no schedule.

	schedule_timesteps (`torch.Tensor`, opcional) : O cronograma de passos de tempo a ser pesquisado. Se `None`, usa `self.timesteps`.

	Retorna: `int`

	O índice do timestep no schedule. Para o primeiro passo, retorna o segundo índice se existirem múltiplas correspondências, a fim de evitar pular um sigma ao iniciar no meio do schedule (por exemplo, para image-to-image).

	Encontre o índice de um timestep específico na agenda de timesteps.

	#### scale_model_input[[diffusers.EulerDiscreteScheduler.scale_model_input]]

	```python
	scale_model_input(sample: Tensor, timestep: typing.Union[float, torch.Tensor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L326)

	Parâmetros:

	sample (`torch.Tensor`) : A amostra de entrada a ser escalada.

	timestep (`float` ou `torch.Tensor`) : O timestep atual na cadeia de difusão.

	Retorna: `torch.Tensor`

	Uma amostra de entrada escalonada, dividida por `(sigma2 + 1) 0.5`.

	Garante a intercambiabilidade com agendadores que precisam escalar a entrada do modelo de desruidamento dependendo do passo de tempo atual. Escala a entrada do modelo de desruidamento por `(sigma2 + 1) 0.5` para corresponder ao algoritmo Euler.

	#### set_begin_index[[diffusers.EulerDiscreteScheduler.set_begin_index]]

	```python
	set_begin_index(begin_index: int = 0)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L316)

	Parâmetros:

	begin_index (`int`, padrão `0`) : O índice inicial para o agendador.

	Define o índice inicial para o agendador. Esta função deve ser executada a partir do pipeline antes da inferência.

	#### set_timesteps[[diffusers.EulerDiscreteScheduler.set_timesteps]]

	```python
	set_timesteps(num_inference_steps: int = None, device: typing.Union[str, torch.device] = None, timesteps: list[int] \| None = None, sigmas: list[float] \| None = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L350)

	Parâmetros:

	num_inference_steps (`int`, opcional) : O número de etapas de difusão usadas ao gerar amostras com um modelo pré-treinado. Se `None`, `timesteps` ou `sigmas` devem ser fornecidos.

	device (`str` ou `torch.device`, opcional) : O dispositivo para o qual os timesteps devem ser movidos. Se `None`, os timesteps não são movidos.

	timesteps (`list[int]`, opcional) : Timesteps personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps serão gerados com base no atributo `timestep_spacing`. Se `timesteps` for passado, `num_inference_steps` e `sigmas` devem ser `None`, e o atributo `timestep_spacing` será ignorado.

	sigmas (`list[float]`, opcional) : Sigmas personalizados usados para suportar um agendamento de timesteps arbitrário. Se `None`, os timesteps e sigmas serão gerados com base nos atributos relevantes do agendador. Se `sigmas` for passado, `num_inference_steps` e `timesteps` devem ser `None`, e os timesteps serão gerados com base no agendamento de sigmas personalizado.

	Define os passos discretos usados para a cadeia de difusão (a ser executado antes da inferência).

	#### etapa[[diffusers.EulerDiscreteScheduler.step]]

	```python
	step(model_output: Tensor, timestep: typing.Union[float, torch.Tensor], sample: Tensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = inf, s_noise: float = 1.0, generator: typing.Optional[torch.Generator] = None, return_dict: bool = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L685)

	Parâmetros:

	model_output (`torch.Tensor`) : A saída direta do modelo de difusão aprendido.

	timestep (`float` ou `torch.Tensor`) : O passo de tempo discreto atual na cadeia de difusão.

	sample (`torch.Tensor`) : Uma instância atual de uma amostra criada pelo processo de difusão.

	s_churn (`float`, opcional, padrão `0.0`) : Parâmetro de estocasticidade que controla a quantidade de ruído adicionado durante a amostragem. Valores maiores aumentam a aleatoriedade.

	s_tmin (`float`, opcional, padrão `0.0`) : Limite mínimo de timestep para aplicar estocasticidade. Somente timesteps acima deste valor terão ruído adicionado.

	s_tmax (`float`, opcional, padrão `inf`) : Limite máximo de timestep para aplicar estocasticidade. Somente timesteps abaixo desse valor terão ruído adicionado.

	s_noise (`float`, opcional, padrão `1.0`) : Fator de escala para o ruído adicionado à amostra.

	generator (`torch.Generator`, opcional) : Um gerador de números aleatórios para amostragem reprodutível.

	return_dict (`bool`, opcional, padrão `True`) : Se deve ou não retornar um [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) ou uma tupla.

	Retorna: [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) ou `tuple`

	Se `return_dict` for `True`, [EulerDiscreteSchedulerOutput](/docs/diffusers/main/pt/api/schedulers/euler#diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput) é retornado; caso contrário, uma tupla é retornada, em que o primeiro elemento é o tensor da amostra e o segundo elemento é a amostra original prevista.

	Preveja a amostra do passo de tempo anterior revertendo o SDE. Esta função propaga o processo de difusão a partir das saídas do modelo aprendido (na maioria das vezes, o ruído previsto).

	## EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

	#### diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput[[diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput]]

	```python
	diffusers.schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput(prev_sample: Tensor, pred_original_sample: typing.Optional[torch.Tensor] = None)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/schedulers/scheduling_euler_discrete.py#L36)

	Parâmetros:

	prev_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : Amostra calculada `(x_{t-1})` do passo anterior. `prev_sample` deve ser usado como entrada do próximo modelo no loop de remoção de ruído.

	pred_original_sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` para imagens) : A amostra desrujida prevista `(x_{0})` com base na saída do modelo do timestep atual. `pred_original_sample` pode ser usado para visualizar o progresso ou para orientação.

	Classe de saída para a saída da função `step` do agendador.